本文選題：腦-機接口　切入點：運動想象　出處：《哈爾濱工業(yè)大學》2017年碩士論文　論文類型：學位論文

【摘要】：運動想象腦-機接口技術不依賴人的外周神經(jīng)和肌肉組織,直接實現(xiàn)人腦對外部設備的控制,它可以幫助有運動障礙的患者,更好地與外界進行信息交流,在軍事、航天、醫(yī)療和虛擬現(xiàn)實等領域有巨大的應用價值。腦電信號具有非平穩(wěn)性,而傳統(tǒng)運動想象技術在應用前需要標注大量的訓練樣本,并采用多通道采集的方式,這大大限制了其應用范圍。本文在傳統(tǒng)腦電信號處理方法的基礎上,將遷移學習的思想應用于運動想象的分類,減少訓練樣本和測試樣本的分布差異,以提高分類準確率。此外,針對運動想象技術對運算實時性要求高的問題,研究通道選擇優(yōu)化方法,在保證分類正確率損失有限的條件下,減少分析腦電信號的通道數(shù)量,以提高運動想象腦-機接口技術的實時性。本文具體研究工作如下。基于運動想象生理基礎,研究運動想象腦電信號預處理方法。利用AR模型對運動想象腦電信號頻譜分析,得出信號有效的頻帶范圍8-30Hz,為濾波器通帶頻率的選擇提供分析依據(jù);并分析公共平均參考法(CAR)空間濾波增加不同思維腦電信號空間分布差異的優(yōu)勢,為獲得高信噪比的腦電信號奠定基礎。研究基于小波包變換的特征提取方法,選擇小波包分解后特定子節(jié)點的小波系數(shù),并提取能量特征,利用支持向量機,識別兩種類型的運動想象任務,得出平均分類正確率為79.4%。在此基礎上,研究通道選擇的優(yōu)化方法,基于Relief-F算法計算通道權(quán)重,在對分類效果影響有限的條件下,減少分析腦電信號的通道數(shù)量,有助于減少計算量,提高運動想象腦-機接口實時性。研究基于最小化MMD的遷移學習算法,并將算法應用于運動想象的分類。結(jié)果表明,該方法有助于提高實驗者一段時間內(nèi)運動想象的分類正確率,且能夠使一個實驗者訓練的分類模型更加適用于另一個實驗者的測試。證明了遷移學習算法比傳統(tǒng)的分類方法有更好的適應性。結(jié)合以上研究,設計基于運動想象遷移學習實驗。針對真實的腦電信號含有的偽跡問題,研究小波分析眼電偽跡濾除的方法,并探討遷移學習在線實現(xiàn)方案。結(jié)果表明遷移學習應用于不同實驗者,相比傳統(tǒng)的分類方法,分類正確率提高了約10%,且提升效果優(yōu)于其對同一實驗者的應用。本文設計不但可以進行傳統(tǒng)運動想象離線采集,還可以為在線測試及遷移學習在運動想象領域的進一步研究提供借鑒。
[Abstract]:The brain-computer interface technology does not rely on human peripheral nerve and muscle tissue, and directly realizes the human brain's control of external equipment. It can help patients with motor disorders to exchange information with the outside world better, in military, aerospace, There is great application value in the fields of medical treatment and virtual reality. The EEG signal is non-stationary, but the traditional motion imagination technology needs to mark a large number of training samples before application, and adopt the method of multi-channel acquisition. On the basis of the traditional EEG processing method, this paper applies the idea of transfer learning to the classification of motion imagination to reduce the difference between the distribution of training samples and test samples. In order to improve the classification accuracy, in order to improve the accuracy of classification, aiming at the problem that the motion imagination technology requires high real-time operation, the optimization method of channel selection is studied to reduce the number of channels for analyzing EEG signals under the condition that the loss of classification accuracy is limited. In order to improve the real-time performance of motion imagination brain-computer interface technology, the research work in this paper is as follows. Based on the physiological basis of motion imagination, the preprocessing method of motion imagination EEG signal is studied. The spectrum analysis of motion imagination EEG signal is made by using AR model. The effective frequency band range of the signal is 8-30Hz, which provides an analytical basis for the selection of the passband frequency of the filter, and analyzes the advantages of the common average reference method (CAR) spatial filtering to increase the spatial distribution differences of EEG signals of different thinking. In order to obtain EEG signals with high SNR, this paper studies the feature extraction method based on wavelet packet transform, selects wavelet coefficients of specific sub-nodes after wavelet packet decomposition, extracts energy features, and uses support vector machine (SVM). Based on the recognition of two types of motion imagination tasks, the average classification accuracy is 79.4%. On this basis, the optimization method of channel selection is studied, and the channel weight is calculated based on Relief-F algorithm, under the condition that the influence on classification effect is limited. Reducing the number of channels for analyzing EEG signals is helpful to reduce the computational complexity and improve the real-time performance of the motion imagination brain-computer interface. A migration learning algorithm based on minimized MMD is studied and applied to the classification of motion imagination. This method is helpful to improve the classification accuracy of the motion imagination of the experimenters for a period of time. Moreover, the classification model which can be trained by one experimenter is more suitable for the test of another experimenter. It is proved that the transfer learning algorithm has better adaptability than the traditional classification method. To solve the problem of real EEG artifacts, a wavelet analysis method of Eye-electric artifact filtering is designed. The results show that the transfer learning is applied to different experimenters, compared with the traditional classification method. The classification accuracy rate is increased by about 10%, and the effect is better than its application to the same experimenter. The design of this paper can not only carry on the traditional motion imagination off-line collection, It can also provide reference for the further research of online testing and transfer learning in the field of sports imagination.
【學位授予單位】：哈爾濱工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：R318;TN911.7

【相似文獻】

相關期刊論文 前3條

1 劉鐵軍;徐鵬;余茜;堯德中;;運動想象的腦機制及其在運動功能康復中應用的研究進展[J];生物化學與生物物理進展;2011年04期

2 陽宏;夏斌;謝宏;王聰;肖殿云;;一種用于實現(xiàn)多命令輸出的運動想象分組策略[J];廣西師范大學學報(自然科學版);2011年03期

3 劉燕;穆振東;;運動想象機制研究[J];科技廣場;2011年01期

相關會議論文 前10條

1 楊遠濱;王薌斌;;淺談中醫(yī)意念與運動想象的比較[A];中國醫(yī)師協(xié)會第二屆康復醫(yī)學論壇、中國康復醫(yī)學會第四屆青年學術會議、北京康復醫(yī)學會第三屆會員代表大會論文集[C];2005年

2 賈子善;;運動想像的理論與應用[A];2008年浙江省物理醫(yī)學與康復學術年會暨中樞神經(jīng)功能損傷康復新進展學習班論文匯編[C];2008年

3 張爽;周鵬;熊屹;王明時;;運動想象腦電模式的動態(tài)分類[A];中國生物醫(yī)學工程進展——2007中國生物醫(yī)學工程聯(lián)合學術年會論文集（下冊）[C];2007年

4 諸強;謝琳;;基于小波分析的運動想象腦電模式特征提取與分類[A];中國生物醫(yī)學工程進展——2007中國生物醫(yī)學工程聯(lián)合學術年會論文集（下冊）[C];2007年

5 孔萬增;張艷娜;胡三清;戴國駿;張建海;魏大名;;基于運動想象的中風患者肢體康復實時控制系統(tǒng)[A];第一屆全國神經(jīng)動力學學術會議程序手冊 & 論文摘要集[C];2012年

6 徐海鷹;;運動想象療法結(jié)合運動再學習方案在腦卒中早期患者上肢功能的應用[A];中國康復醫(yī)學會運動療法分會第十一屆全國康復學術大會學術會議論文摘要匯編[C];2011年

7 李澤云;王昭君;林金生;盧攀;;運動想象聯(lián)合強制性運動療法治療腦卒中偏癱60例臨床觀察[A];中國康復醫(yī)學會腦血管病專業(yè)委員會換屆暨第十五次全國腦血管病康復學術年會、湖南省康復醫(yī)學會神經(jīng)康復專業(yè)委員會2012學術年會論文集[C];2012年

8 王艷;唐強;白震民;李娟;;頭穴叢刺與被動運動和運動想象結(jié)合對早期腦卒中患者運動功能的影響[A];中國康復醫(yī)學會第五屆全國康復治療學術會議論文集[C];2006年

9 劉佳;鄧景貴;陶希;宋紅;;運動想象療法對老年卒中偏癱患者肢體功能恢復的影響研究[A];中國康復醫(yī)學會腦血管病專業(yè)委員會換屆暨第十五次全國腦血管病康復學術年會、湖南省康復醫(yī)學會神經(jīng)康復專業(yè)委員會2012學術年會論文集[C];2012年

10 吳華;顧旭東;時美芳;吳彩虹;朱美紅;金妹;楊京輝;;虛擬現(xiàn)實技術結(jié)合運動想象療法對腦卒中患者上肢功能恢復的影響[A];2013浙江省物理醫(yī)學與康復學學術年會暨第八屆浙江省康復醫(yī)學發(fā)展論壇論文集[C];2013年

相關博士學位論文 前10條

1 張銳;運動想象腦—機接口的神經(jīng)機制與識別算法研究[D];電子科技大學;2015年

2 單海軍;基于運動想象的腦機接口通道選擇算法研究[D];浙江大學;2015年

3 岳敬偉;腦機協(xié)調(diào)控制理論與關鍵技術研究[D];國防科學技術大學;2015年

4 王莉;應用腦功能成像技術研究腦卒中運動想象療法神經(jīng)康復機制[D];重慶大學;2015年

5 張曄;運動想象療法對于卒中后偏癱患者腦功能康復的作用機制研究[D];第三軍醫(yī)大學;2016年

6 魏慶國;基于運動想象的腦—機接口分類算法的研究[D];清華大學;2006年

7 徐舫舟;基于運動想象的腦機接口相關算法研究[D];山東大學;2014年

8 閆靜;基于腦電的腦卒中患者運動想象認知過程的研究[D];上海交通大學;2012年

9 方永慧;基于運動想象腦電信號非線性特性分析的腦—機接口研究[D];重慶大學;2014年

10 周鵬;基于運動想象的腦機接口的研究[D];天津大學;2007年

相關碩士學位論文 前10條

1 牛小辰;康復運動中的腦肌電特征分析[D];燕山大學;2015年

2 謝立娟;針灸合并運動想象療法在腦卒中偏癱患者康復護理中的應用[D];河北醫(yī)科大學;2015年

3 孫會文;基于運動想象腦電的腦機交互模式識別方法研究[D];昆明理工大學;2015年

4 戴若夢;基于深度學習的運動想象腦電分類[D];北京理工大學;2015年

5 郭蘭錦;基于結(jié)構(gòu)MRI的運動想象BCI機制研究[D];電子科技大學;2014年

6 翟紅利;基于運動想象的腦機接口的數(shù)學模型與算法研究[D];長沙理工大學;2014年

7 叢壯;運動想象結(jié)合音樂療法在卒中偏癱患者上肢康復中的應用[D];遼寧醫(yī)學院;2015年

8 康莎莎;多類運動想象腦電信號的識別及其在BCI中的應用[D];安徽大學;2016年

9 何青松;基于想象左右手運動思維腦電識別分類研究[D];北京交通大學;2016年

10 劉傳偉;運動想象腦電的特征提取和模式分類算法研究及在線驗證[D];昆明理工大學;2016年

，

本文編號：1606563